WAIC观察笔记：AI落地的纵深处，五个真实行业案例

真正的壁垒，是那些没被数字化的经验与现场。

7月18日，是WAIC流水席直播的第二天，我和罗老师又密集采访了十几个案例，各个领域各个维度的都有。

聊的过程中，不由得感叹，只有在我们的这个市场里，才有如此层次丰富的数据维度和应用场景。

我们很多时候在线上提起AI，一般都会想起ChatGPT，想起豆包，想起AI画图，想起AI做视频。我并不是说这些场景不重要，而是我们的生活不仅仅只有这些。

你看，大模型展台那边，参数又涨了，速度又快了，生成效果又好了，马上又推出了新版本。站在那里，能感觉到空气里的兴奋和焦虑。

可我逛完一圈，脑子里剩下的还是「又强了」「又快了」，具体在生活中解决了什么现实问题，反而说不太清楚。

而那些没什么人排队的展位，我倒是站了很久，尤其是国企和公共服务企业的摊位。他们不太会讲故事，摆出来的却都是真问题。

今天的观察笔记，我就来给你分享五个让我印象很深的案例。

01 南方电网：让人的工作更安全

先说南方电网。我们这次直播，全是随机逛展，没有任何提前沟通，能看出不少东西。比如现场有的展位工作人员不少，但没有一个人能来介绍产品，偌大的展台完全没有人。

转过一道墙，南方电网气氛完全不一样，现场工作人员积极地介绍自己在用AI做什么，几个工程师在跟我们介绍的时候，眼神里满是小骄傲。

南方电网的工程师还给我们科普了一下：电网对负荷预测的精度要求极高，预测差一点，放到整个系统里就是巨大的误差。

中国电力的总体装机规模已经超过后面几个大经济体的总和，发电和用电还得实时平衡，一旦失衡就可能造成大面积停电。现在又接入了大量分布式新能源和充电桩，光靠调度员的经验已经控制不过来了。

AI必须进来。

所以南方电网自研了一个大模型叫「大瓦特」，已经落到五省区发电、输电、变电、配电、用电的80多个场景里。

不过，给我印象最深的，是现场有一台补销机器人。输电线路上的R型销，就是一个小插销，三四厘米大，时间久了会松动脱落，别看很小，对线路稳定性却很重要。

过去得让人爬上几十米高的铁塔补装，一次要花几个小时，还要冒触电和坠落的风险。现在，无人机把机器人送上塔，它自己对位、调整力度，20分钟完成作业，效率比人工提高90%。

其实这就是机器人把不应该让人做的工作给做了，这里面不存在替代的关系，而是让人的工作更加安全。

还有巡检机器狗，已经在南方五省区的变电站里部署了上百台，60度斜坡也能走。遇到应急抢险，它们先进去勘察；现场没有网络，还能自己搭起通信网络。这些机器狗统一由大瓦特大模型做大脑，今年预计还要坐船出海，用在智利的变电站里。

但南网最值得看的，还不是机器人，是他们怎么给AI划边界。

电网容错率太低，一次误判可能牵连成片用户。按照现场的说法，负荷预测已经可以更多交给AI，因为预测错了还有时间调整；到了实时调度，AI先给建议，最后按下按钮的仍然是人。

在南网展位上，我突然想明白一件事：避险的钱，往往比省钱的钱好挣。对于南网来说，使用机器人并不是更省钱了，而是更安全，不会发生太多高风险的事情。

02 气象局「妈祖」：提前预警风险

这是中国气象局推出的全民早期预警方案。逛展时，工作人员介绍的几个数字让我印象很深：在集聚的小区域，每六分钟更新一次，得到一公里精度的气象预报，目前已经在40多个国家开展应用。

我们请到直播间的是上海气象局的冯局长，他也是咱们得到AI学习圈的同学，他的分享非常专业，里面讲了好几个非常动人的细节。

例如对巴威台风的预报，提前108小时，也就是四五天前就预测到了登陆点，最后的误差才50公里。要知道这个台风的眼直径就超过了100公里，这个预报精度非常高。

我更感兴趣的，是AI气象怎么和电网接起来。

台风来了，气象系统提前判断哪些区域的杆塔可能倒伏，电力部门据此安排抢修，杆塔倒伏风险可以提前5小时预警，并且帮助电力部门提前加固设备、修剪树木。

5小时，放在普通人的日程里不算长。放到一场台风里，可能意味着抢修人员能提前出发，一个城市能早半天恢复供电。

气象和电力，两个平时离普通人很远的系统，就这样接到了一起。坐在办公室里，很难凭空想到这个需求。只有在台风天抢修过的人，才知道这5小时到底值多少钱。

03 中远海运：应对卫星定位失灵

第三个案例来自中远海运，他们展位上有一套产品叫「星矩」，解决的问题很冷门：卫星信号受干扰之后，船怎么定位。

远洋航行依赖GPS等卫星信号，如果信号受干扰，船在海上不知道自己在哪，后果很严重。传统的备用办法是六分仪——船长测量太阳的高度角和方位角，再手动计算船舶位置。

这套办法需要专业训练，速度和精度也很看人，对很多年轻船长来说已经是很难掌握的技能了。

「星矩」可以理解成自动化的六分仪。它用算法捕捉太阳的高度角和方位角，5秒钟算出船舶位置，误差控制在两海里以内，还能接进现有的电子海图系统。

几分钟的人工计算，变成5秒自动完成。说实话，这个需求很窄，窄到绝大多数人根本不知道卫星信号还会被干扰。可对于跑高风险航线的船，它可能就是最后一道定位手段。

大模型公司很难优先照顾这种需求，市场看上去不大，问题又藏得深。可WAIC真正让我停下来的，恰恰是这种窄而具体的东西。

04 福鑫数科：把时间还给医生和患者

在流水席直播上，福鑫数科的吴笛来聊医疗AI。他举了个例子，医生每天有大量时间花在写病历上，生成式电子病历要解决的就是这部分文书工作。

他们处理AI幻觉的办法很直接：一个模型负责生成，再让另一个模型检查，把幻觉比例压下来。

吴笛的判断是，在可预见的未来，AI不会取代医生，但可以接手医生约50%的文书工作，让医生把时间还给患者。

他们现在主要的工作场景还是在大型三甲医院，但是我相信只要道路跑通了，不管是不是这家公司，医生的这种文书负担应该消除掉，让医生有更多的精力花在和患者的沟通上。

而不是像现在的一些医院，患者在门外排队三小时，进到诊室只有五分钟，其中三分钟还在等医生在一台老破电脑上打字。

这个分寸，和电网很像。AI可以写、可以查、可以给建议，最后负责的人仍然是医生。

05 库帕思：让AI输出更可靠

过去两年，我们经常提的一个说法就是AI领域就是三场战争：算力、算法、数据。而库帕思就是全国首个语料平台公司，可以理解为高质量语料的「国家队」。

其实大家经常会说某个模型在回答一类问题时，回答质量特别好，很多情况下，就是因为这个模型的训练语料特别优质。

正因为库帕思的背后有很强的政府背景，所以干的其实是公共基础设施，就是把散布在医院、银行、工厂和政府部门的数据收集整理处理，然后变成大模型可以直接学习的教材。

虽然这家公司的业务对于普通用户来说比较抽象，但是在我看来，这个工作非常重要。

过去两年的AI，训练数据更多是网页或线上内容，还有很多垃圾内容和错误信息。举个例子，有时问豆包一个严肃问题，它会把一条抖音短视频的内容当做回答发给用户。

甚至前段时间我问一个健康类问题，两个AI给了我两个截然相反的答案，一个是不要热敷，一个是不要冷敷。原因很简单，就是喂给AI吃的东西不够好。

库帕思展示了一个他们处理医院病历的方式，很有启发。他们并不是直接进行病历识别然后沉淀到数据库，而是每条病历都让AI模拟一个真实人类医生的思考链条。

也就是说，AI不但要了解医生的决策，更要知道医生为啥这么决策的，这就很有利于数据的量级上升后，处理健康问题会更加靠谱。

06 真正的壁垒，是经验与现场

说完这五个案例，我觉得中国AI接下来的竞争，未必只发生在模型上。电网、气象、航运、医疗这些场景，有两个共同点：

一个是数据很深。调度员处理故障的经验、抢修队安排优先级的判断、船长积累的操作经验、医生写病历和做诊断的习惯，都很难从公开互联网上找到。有些藏在日志里，有些锁在内部系统里，还有一些从来没有写下来，只存在于人的脑子里。

想把它们变成模型能用的数据，得先去现场，去问人，去整理那些又脏又碎的记录。

比如，灵初智能就专注研究手部的动作，用自研的数据手套，去规模化地采集各种操作数据，例如叠衣服、组装、倒水、拧瓶盖等等，这些数据都是之前并不存在的，收集下来，这就是非常高的壁垒了。

另一个是入口很实。比如几十米高的铁塔、几千公里的架空线、远洋船舶、医院系统、25万座通信塔，这些都不是下载一个模型就能进入的地方。

模型能力只是门票，谁能进到现场、拿到数据、理解错误的代价，并且把责任边界画清楚，谁才有机会把AI真正装进去。

现在的语言大模型公司，用来训练的数据是互联网，大家看到的公开数据越来越接近。

真正拉开距离的，可能是那些还没有被数字化的行业经验，以及别人进不去的物理现场。

07 写在最后

好，关于这两天WAIC逛展和流水席直播的分享先到这里。当然，流水席直播里聊了不少有意思的公司，我这里没办法一一点名。

感兴趣的同学可以去我的视频号「快刀青衣学AI」看，我会把一些视频片段放出来，你也可以直接看两场流水席的完整回放。

最后，所有的参会资料、论坛报告还有录音笔记，我们这次也会统一放到「2026 WAIC世界人工智能大会知识库」里。

如果你感兴趣，可以扫描末尾的二维码，加入这次大会的快闪群，领取这份知识库，第一时间跟上这届WAIC值得关注的重要内容。

▲ 扫码加入快闪群，领取知识库